Vírus Sincicial Respiratório (VSR) e Palivizumabe (PVZ)
Descrever as características clínicas, epidemiológicas e desfechos de crianças ≤ 2 anos de idade, hospitalizadas com diagnóstico de Síndrome Respiratória Aguda Grave (SRAG), comparando pacientes positivos para VSR e pacientes positivos para outros vírus respiratórios
No painél seguinte coloquei
SexoePVZ, mas posso inserir mais ou substituir pela figura que você achar melhor.
Correlacionar a gravidade da doença com o perfil molecular do VSR
Comparar fatores genéticos das IL28B de susceptibilidade em crianças ≤ 2 anos de idade, previamente saudáveis, sem comorbidades, entre infectadas por RSV e outros vírus respiratórios
Dados recentes da literatura relacionam os SNPs das regiões e rs8099917 da interleucina 28B (IL28B) com susceptibilidade ou proteção para doenças infeciosas.Os polimorfismos SNPs rs12979860 e rs8099917 do gene 28B da interleucina-28B são conhecidos por influenciar a expressão do interferon lambda 3
Para o cálculo dos seguintes p-valores, via teste qui-quadrado, foram descartadas a virologia
negativoe os IL28bsnão disponíveis
Olhando para o IL28b
rs12979860, existe diferença estatísticamente significativa entre as frequências de CC, CT e TT, do vírus RSV para outros vírus? Não, p-valor de 0.298
Olhando para o IL28b
rs8099917, existe diferença estatísticamente significativa entre as frequências de TT, TG e GG, do vírus RSV para outros vírus? Não, p-valor de 0.198
Agora,
Olhando para o IL28b
rs12979860apenas no vírus RSV, existe diferença estatísticamente significativa entre as frequências de CC, CT e TT? Sim, p-valor de 0.000144
Olhando para o IL28b
rs8099917apenas no vírus RSV, existe diferença estatísticamente significativa entre as frequências de TT, TG e GG? Sim, p-valor de 0.00000000000000181 (1.81e-15)
Olhando para o IL28b
rs12979860apenas nos outros vírus, existe diferença estatísticamente significativa entre as frequências de CC, CT e TT? Não, p-valor de 0.674
Olhando para o IL28b
rs8099917apenas nos outros virus, existe diferença estatísticamente significativa entre as frequências de TT, TG e GG? Sim, p-valor de 0.0000147
Olhando para o IL28b
rs12979860, existe diferença estatísticamente significativa entre as frequências de CC, CT e TT, do vírus RSV para outros vírus? Não, p-valor de 0.656
Olhando para o IL28b
rs8099917, existe diferença estatísticamente significativa entre as frequências de TT, TG e GG, do vírus RSV para outros vírus? Não, p-valor de 0.634
Agora,
Olhando para o IL28b
rs12979860apenas no vírus RSV, existe diferença estatísticamente significativa entre as frequências de CC, CT e TT? Sim, p-valor de 0.0224
Olhando para o IL28b
rs8099917apenas no vírus RSV, existe diferença estatísticamente significativa entre as frequências de TT, TG e GG? Sim, p-valor de 0.0000000127
Olhando para o IL28b
rs12979860apenas nos outros vírus, existe diferença estatísticamente significativa entre as frequências de CC, CT e TT? Não, p-valor de 0.627
Olhando para o IL28b
rs8099917apenas nos outros virus, existe diferença estatísticamente significativa entre as frequências de TT, TG e GG? Sim, p-valor de 0.00549
# A tibble: 10 x 5
Par Negativo `Outros\nvírus` RSV Total
<chr> <dbl> <dbl> <dbl> <dbl>
1 CC/GG 2 0 3 5
2 CC/TG 0 1 1 2
3 CC/TT 16 20 33 69
4 CT/GG 1 1 0 2
5 CT/TG 32 13 58 103
6 CT/TT 11 11 22 44
7 TT/GG 7 6 5 18
8 TT/TG 3 9 12 24
9 TT/TT 22 8 38 68
10 Total 94 69 172 335
Olhando apenas para os
sem comorbidade
# A tibble: 10 x 5
Par Negativo `Outros\nvírus` RSV Total
<chr> <dbl> <dbl> <dbl> <dbl>
1 CC/GG 1 0 3 4
2 CC/TG 0 1 0 1
3 CC/TT 11 12 20 43
4 CT/GG 1 0 0 1
5 CT/TG 14 11 33 58
6 CT/TT 8 6 12 26
7 TT/GG 4 5 4 13
8 TT/TG 2 5 8 15
9 TT/TT 16 4 24 44
10 Total 57 44 104 205
Retirado os
negativos
# A tibble: 2 x 10
Tipo `CC/GG` `CC/TG` `CC/TT` `CT/GG` `CT/TG` `CT/TT` `TT/GG` `TT/TG` `TT/TT`
<chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 "Outros\nvírus" 0 1 12 0 11 6 5 5 4
2 "RSV" 3 0 20 0 33 12 4 8 24
# A tibble: 4 x 4
SNPs QuiQuadrado df `p-valor`
<chr> <dbl> <dbl> <dbl>
1 CC/TT 2 1 0.157
2 CT/TG 11 1 0.000911
3 CT/TT 2 1 0.157
4 TT/TT 14.3 1 0.000157
Analisar características clínicas e epidemiológicas dos lactentes elegíveis para uso do palivizumabe, adesão às doses e principais critérios de indicação
| Doses | Liberadas | Realizadas | AdesãoPerc |
|---|---|---|---|
| 1 | 290 | 290 | 100.000 |
| 2 | 281 | 277 | 98.577 |
| 3 | 245 | 242 | 98.776 |
| 4 | 206 | 199 | 96.602 |
| 5 | 153 | 140 | 91.503 |
Média StandardDeviation n
[1,] 6.015203 5.420977 296
# A tibble: 2 x 4
Sexo `mean(IdadeIm)` `sd(IdadeIm)` `n()`
<chr> <dbl> <dbl> <int>
1 Feminino 5.79 5.04 147
2 Masculino 6.24 5.78 149
Avaliar dados clínicos e epidemiológicos dos lactantes que apresentaram falhas de prevenção pós-imunoprofilaxia e avaliar possíveis casos de resistência ao anticorpo monoclonal
As infecções por VSR são mais graves em pacientes pediátricos < 2 anos, comparadas a infecções por outros vírus respiratórios.
Olhando para
internamento UTI, existe diferença estatísticamente significativa entreRSVeoutros vírus? Sim, p-valor de 0.00158
# A tibble: 2 x 3
Virologia Não Sim
<chr> <int> <int>
1 "Outros\nvírus" 94 19
2 "RSV" 133 69
# A tibble: 1 x 4
statistic p.value parameter method
<dbl> <dbl> <int> <chr>
1 9.98 0.00158 1 Pearson's Chi-squared test with Yates' continuity correction
Olhando para
tempo total de internamento, existe diferença estatísticamente significativa em termos de tempo médio entreRSV(média de 9.97, 202 pacientes) eoutros vírus(média de 9.38, 113 pacientes)? Não, p-valor de 0.468
# A tibble: 1 x 10
estimate estimate1 estimate2 statistic p.value parameter conf.low conf.high method alternative
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr> <chr>
1 -0.585 9.38 9.97 -0.727 0.468 266. -2.17 0.999 Welch Two… two.sided
Olhando para
desfecho, existe diferença estatísticamente significativa entreRSVeoutros vírus? Sim, p-valor de 0.016
# A tibble: 2 x 3
Virologia Alta Óbito
<chr> <int> <dbl>
1 "Outros\nvírus" 109 4
2 "RSV" 202 0
# A tibble: 1 x 6
estimate p.value conf.low conf.high method alternative
<dbl> <dbl> <dbl> <dbl> <chr> <chr>
1 0 0.0160 0 0.835 Fisher's Exact Test for Count Data two.sided
Olhando para
internação prévia, existe diferença estatísticamente significativa entreRSVeoutros vírus? Sim, p-valor de 0.0000137
# A tibble: 2 x 3
Virologia Não Sim
<chr> <int> <int>
1 "Outros\nvírus" 72 41
2 "RSV" 173 29
# A tibble: 1 x 4
statistic p.value parameter method
<dbl> <dbl> <int> <chr>
1 18.9 0.0000137 1 Pearson's Chi-squared test with Yates' continuity correction
Olhando para
score gravidade, existe diferença estatísticamente significativa entreRSVeoutros vírus? Sim, p-valor de 0.00123
# A tibble: 2 x 4
Virologia Leve Médio Grave
<chr> <int> <int> <int>
1 "Outros\nvírus" 33 54 26
2 "RSV" 59 60 83
# A tibble: 1 x 4
statistic p.value parameter method
<dbl> <dbl> <int> <chr>
1 13.4 0.00123 2 Pearson's Chi-squared test
Fatores genéticos influenciam em maior suscetibilidade à infecção pelo VSR em crianças previamente saudáveis e sem comorbidades
IL28Bs? Se sim, já analizado.
A utilização de imunização passiva com PVZ diminui a frequência e gravidadade das infecções por RSV em pacientes pediátricos de alto risco
Olhando para
virologia RSVescore gravidade, grave. Diferença estatísticamente significativa, p-valor de 0.0000000000000363 (3.63e-14)
# A tibble: 2 x 2
PVZ n
<chr> <int>
1 Não 76
2 Sim 7
# A tibble: 1 x 4
statistic p.value parameter method
<dbl> <dbl> <dbl> <chr>
1 57.4 3.63e-14 1 Chi-squared test for given probabilities
| variable | pvalue | p<0.2 | test |
|---|---|---|---|
| Virologia | 0.0224 | Yes | Chi-square |
| Coinfecção com RSV | 0.1119 | Yes | Chi-square |
| rs12979860 | 0.5703 | No | Chi-square |
| rs8099917 | 0.1089 | Yes | Chi-square |
| Genótipo | 0.1126 | Yes | Chi-square |
| Sexo | 0.1726 | Yes | Chi-square |
| PVZ | 0.2159 | No | Chi-square |
| Diagnóstico | 0.3072 | No | Chi-square |
| Classificação FR | 0.8279 | No | Chi-square |
| Esforço respiratório | 0.7843 | No | Chi-square |
| Comorbidade | 0.0008 | Yes | Chi-square |
| ComorbidadeN | 0.0037 | Yes | Chi-square |
| Saturação de O2 | 0.0003 | Yes | Chi-square |
| Catet./Masc. | 0.0126 | Yes | Chi-square |
| Uso de antibiótico | 0.0000 | Yes | Chi-square |
| Raio-X do tórax | 0.0310 | Yes | Chi-square |
| Co-infecção bacteriana | 0.0022 | Yes | Chi-square |
| Tosse | 0.0003 | Yes | Chi-square |
| Coriza | 0.0002 | Yes | Chi-square |
| Febre | 0.5033 | No | Chi-square |
| Temperatura | 0.1092 | Yes | Chi-square |
| Sibilos | 0.1892 | Yes | Chi-square |
| Cianose | 0.0000 | Yes | Chi-square |
| tabagismo ambiente | 0.0036 | Yes | Chi-square |
| Internação prévia | 0.7875 | No | Chi-square |
| Frequenta creche | 0.0272 | Yes | Chi-square |
| Irmão em creche (S/N) | 0.1309 | Yes | Chi-square |
| Score gravidade | 0.0000 | Yes | Chi-square |
| Peso Nasc. | 0.0157 | Yes | t-test |
| Peso atual | 0.0000 | Yes | t-test |
| Idade Gestacional | 0.0124 | Yes | t-test |
| Idade | 0.0012 | Yes | t-test |
| FREQ.RESP. | 0.0643 | Yes | t-test |
| dUTI | 0.0000 | Yes | t-test |
| tempo | 0.0000 | Yes | t-test |
| Sat. de O2 admissão | 0.0000 | Yes | t-test |
136 patients with severity yes (28%) and 332 no (71%).
Em termos de regressão logística, temos aqui duas possíveis abordagens. A primeira é pensando em saber quais são os fatores que melhor discriminam o desfecho (severidade, sim ou não), esse foi o caminho tomado inicialmente. O segundo caminho, acrescentado agora, é o mais tradicional. Nesse caminho nós simplesmente ajustamos o modelo, fazemos uma seleção de variáveis com base em algum critério, e chegamos nas caracterśiticas com maior associação com o desfecho. A partir desse segundo caminho que chegamos de maneira muito mais fácil nas razões de chance e quantificação da incerteza.
Peguei as variáveis significativas num nível de 20% de maneira univariada i.e., olhando unicamente pra cada variável em termos do desfecho severidade (se qualitativa, fiz um teste qui-quadrado; se quantitativa, fiz um teste-t).
No primeiro caminho fiz o seguinte:
Dividi a base de dados de maneira aleatória em dois grupos que chamei de treino (contendo 75% dos dados) e teste (contendo 25% dos dados). Basicamente, ajustei o modelo na base de treino e testei seu poder preditivo na base de teste. Pra não ficar muito refém (vamos dizer assim), de quem acabou ficando aleatóriamente na base de treino ou de teste, repeti esse mesmo processo 10 vezes. Ou seja, refiz o mesmo processo 10 vezes, dividindo a base de maneira sempre aleatória (mas sempre tentando manter a proporção de pacientes com desfecho sim e não nas bases), ajustando o modelo na base de treino e testando na de teste. De tal modo, acabamos com 10 modelos. Fiz a média dos 10, e assim cheguei nos dois gráficos apresentados. Essa abordagem é muito boa pois coloca o algorimo em prática, vendo se aqueles fatores de risco que permaneceram no modelo realmente são capazes de discriminar os pacientes em termos do desfecho. No gráfico de barras temos os 10 fatores/características mais relevantes na média dos 10 modelos ajustados nas 10 bases de treino. E no gráfico “quadrado” a performance média nas 10 bases de teste. 25% da base de dados correspondem a 117 pacientes. Nesse processo, a seleção de fatores de risco é feita com base num paramêtro de penalidade, chamado de LASSO (https://glmnet.stanford.edu/). Quando temos isso numa regressão logística, temos o que é chamado de regressão logística penalizada. Nesse processo também temos o que é chamado de validação cruzada pra escolha do parâmetro de tunning, essencial nessa abordagem. As referências pra isso aqui eu já te passei, essa é apenas uma explicação mais detalhada.
No segundo caminho:
Aqui é mais simples (o tradicional). Peguei aquelas covariáveis e ajustei o modelo, usando todos os pacientes. Fiz seleção de variáveis/fatores com base no critério de Akaike (AIC). O modelo final é apresentado aqui ao final, com estimativa pontual, erro padrão, chance e p-valor.
| Estimate | Standard error | Odds ratio | OR 2.5% CI | OR 97.5% CI | P-value | |
|---|---|---|---|---|---|---|
| (Intercept) | 3.716 | 1.016 | 41.103 | 6.127 | 3.396920e+02 | 0.000 |
| VirologiaOutros vírus | -1.094 | 0.489 | 0.335 | 0.125 | 8.560000e-01 | 0.025 |
| VirologiaRSV | 0.109 | 0.397 | 1.116 | 0.510 | 2.438000e+00 | 0.783 |
| rs8099917Não disponível | -1.307 | 0.701 | 0.271 | 0.067 | 1.062000e+00 | 0.062 |
| rs8099917TG | -1.254 | 0.696 | 0.285 | 0.071 | 1.103000e+00 | 0.072 |
| rs8099917TT | -1.888 | 0.687 | 0.151 | 0.038 | 5.680000e-01 | 0.006 |
| SexoMasculino | 0.760 | 0.346 | 2.137 | 1.097 | 4.290000e+00 | 0.028 |
| ComorbidadeSim | 18.144 | 882.744 | 75855109.112 | 0.000 | NA | 0.984 |
| ComorbidadeN1 | -18.203 | 882.744 | 0.000 | NA | 1.212305e+70 | 0.984 |
| ComorbidadeN2 | -15.975 | 882.744 | 0.000 | NA | 8.757561e+70 | 0.986 |
| Saturação_de_O2maior95 | 0.112 | 0.566 | 1.118 | 0.357 | 3.361000e+00 | 0.843 |
| Saturação_de_O2menor90 | -1.932 | 0.577 | 0.145 | 0.042 | 4.190000e-01 | 0.001 |
| Uso_de_antibióticoSim | 1.504 | 0.404 | 4.499 | 2.081 | 1.021800e+01 | 0.000 |
| Sibilos | -1.240 | 0.367 | 0.289 | 0.136 | 5.800000e-01 | 0.001 |
| Score_gravidadeLeve | -6.108 | 0.718 | 0.002 | 0.000 | 8.000000e-03 | 0.000 |
| Score_gravidadeMédio | -5.079 | 0.580 | 0.006 | 0.002 | 1.800000e-02 | 0.000 |
CI: Confidence Interval
Dado que agora você está interessada nas razões de chance, acho super interessante usar as duas abordagens. Com a segunda você tem a tabela acima. As variáveis que não constam ali é porque não foram significativas e sairam do modelo. A primeira abordagem te fornece uma outra maneira de ver quais são os fatores mais relevantes pra cada desfecho. Pela tabela é difícil ver isso. Sem falar que ela coloca o modelo em prática, verificando seu poder preditivo com base na acurária.